Tìm thấy 14+ kết quả cho từ khóa "Học sâu và ứng dụng"
312366-tt.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
BẢN TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đề tài NGHIÊN CỨU CÁC KỸ THUẬT HỌC SÂU VÀ ỨNG DỤNG Họ và tên học viên: Nguyễn Viết Hưng Lớp: 16AKTĐT Chuyên ngành: Kỹ thuật điện tử NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS - T.S Nguyễn Đức Minh Hà Nội – 2018 2 TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Nghiên cứu các kỹ thuật học sâu và ứng dụng. Nguyễn Đức Minh Nội dung tóm tắt: a) Lý do chọn đề tài. Trong những năm gần đây đã có nhiều nghiên cứu về các phương pháp nhận diện khuôn mặt.
312366.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Mục đích của đề tài: Mục đích của đề tài là nguyên cứu các kỹ thuật học sâu và áp dụng vào trong hệ thống nhận dạng khuôn mặt. Kỹ thuật học sâu và phƣơng pháp nhận dạng khuôn mặt. Dựa trên lý thuyết về học sâu và nhận dạng để đƣa ra phƣơng pháp cụ thể nhận dạng khuôn mặt dƣới dạng ảnh đầu vào. Luận điểm cơ bản và đóng góp mới: Đƣa ra kết quả nghiên cứu về mặt lý thuyết cơ sở của kỹ thuật học sâu trong nhận dạng khuôn mặt của ngƣời Việt Nam.
310384-tt.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Nhu cầu về thử nghiệm phương pháp nhận dạng tiếng Việt nói sử dụng mạng Nơ ron sâu đã trở nên cấp bách và cần thiết. b) Mục đích nghiên cứu của luận văn. Nghiên cứu về mạng Nơ ron sâu và lĩnh vực học sâu (Deep Learning. Nghiên cứu về nguyên lý và các thành phần của một hệ thống nhận dạng tiếng nói và ứng dụng vào nhận dạng tiếng Việt nói. Xây dựng chương trình nhận dạng tiếng Việt nói có tích hợp mạng Nơ ron sâu. Kiểm tra và đánh giá hiệu suất nhận dạng của hệ thống. Đối tượng nghiên cứu.
tailieu.vn Xem trực tuyến Tải xuống
Một số ứng dụng học sâu trong thị giác máy (Phần 1). Giới thiệu tổng quan về thị giác máy và các ứng dụng. Giới thiệu về bài toán phát hiện đối tượng. Giới thiệu một số mạng đề xuất vùng R- CNN, Fast R-CNN, Faster R-CNN…. Giới thiệu một số mạng không đề xuất vùng: SSD, Yolo. Thế nào là Thị giác máy tính?. Thị giác con người vẫn có nhiều yếu điểm. Mục tiêu của thị giác máy tính. Tại sao nên học thị giác máy tính?. Thị giác máy có thể dùng như thiết bị đo đạc.
tailieu.vn Xem trực tuyến Tải xuống
Các nền tảng lập trình cho học sâu 3. Các nền tảng lập trình cho học sâu. Đồ thị tính toán. API sáng sủa, dễ lập trình các tác vụ tính toán. PyTorch Tensors giống numpy arrays, nhưng có thể chạy trên GPU.. Torch.no_grad nghĩa là không đừng đưa phần này vào đồ thị tính. Có thể dùng sẵn các giải thuật tối ưu trong PyTorch, chẳng hạn như Adam. Có thể định nghĩa module mới trong PyTorch. Module có thể chứa trọng số. Có thể dùng trực tiếp các mô hình này..
tailieu.vn Xem trực tuyến Tải xuống
Học sâu cho phép trích chọn đặc trưng tự động từ dữ liệu. Share dữ liệu cho nhiều tài khoản google cùng dùng. Mount dữ liệu:
tailieu.vn Xem trực tuyến Tải xuống
Cần ít sức người hơn: không cần trích xuất đặc trưng thủ công, cùng một phương pháp có thể tái sử dụng cho nhiều cặp ngôn ngữ khác nhau. Nút thắt cổ chai của mô hình seq2seq. Hiệu năng của mô hình vs. the poor don’t have. the poor don’t have any. Ứng dụng của mô hình seq2seq
310384.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Các nghiên cứu gần đây đã ứng dụng thành công kiến trúc mạng Nơ ron sâu trong mô hình ngôn ngữ. Nghiêm cứu về máy học và mạng nơ ron sâu trong nhận dạng tiếng nói. Huấn luyện autoencoder đầu tiên (t = 1. Huấn luyện autoencoder thứ hai t = 2 (các kết nối màu xanh). Huấn luyện RBM t=2 thứ hai. Học sâu là một lớp các thuật toán huấn luyện máy học mà. Mạng Nơ ron nhân tạo được lấy ý tưởng từ những mô hình sinh học năm 1959 bởi những người đoạt giải Nobel David H.
tailieu.vn Xem trực tuyến Tải xuống
Nơ-ron sinh học:. Mạng nơ-ron nhân tạo:. Các nơ-ron tổ chức thành các lớp (layers) để tăng hiệu quả tính. mạng nơ-ron từ hai lớp trở lên với số lượng nơ-ron đủ lớn có thể xấp xỉ bất kỳ hàm liên tục nào với độ chính xác tùy ý. Mạng nơ-ron nhiều lớp (thậm chí chỉ cần duy nhất một lớp ẩn!) là hàm xấp xỉ tổng quát. Mạng nơ-ron có thể biểu diễn hàm bất kỳ nếu nó đủ rộng (số nơ-ron trong một lớp đủ nhiều), đủ sâu (số lớp đủ lớn)..
tailieu.vn Xem trực tuyến Tải xuống
Ví dụ quá trình tính toán tiến của một mạng nơ-ron 3 lớp sử dụng dropout. Ép mạng nơ-ron phải học biểu diễn dư thừa (redundant representation). Dropout khi huấn luyện có thể diễn giải như huấn luyện đồng thời nhiều mô hình khác nhau. Mỗi kiểu drop nơ-ron tương ứng với một mô hình. Một lớp kết nối đầy đủ với 4096 nơ-ron sẽ có phương án drop. Ví dụ xét một nơ-ron. Lúc huấn luyện:. Lúc suy diễn tất cả nơ-ron đều hoạt động. Vì vậy phải scale đầu ra của mỗi nơ-ron:.
tailieu.vn Xem trực tuyến Tải xuống
Mục đích: Nhận đầu vào một tập mẫu huấn luyện sinh ra từ một phân bố nào đó và học một mô hình để có thể biểu diễn lại phân bố đó. Tại sao cần mô hình sinh?. Vì nó có thể khám phá ra các thông tin ẩn nền tảng trong dữ liệu. Sử dụng phân bố ẩn học được để sinh ra dữ liệu đa dạng và cân bằng hơn (debias). Sử dụng mô hình sinh để học phân bố dữ liệu, từ đó xác định ngoại lệ dựa trên phân bố học được..
tailieu.vn Xem trực tuyến Tải xuống
Gấp đôi số tham số mỗi nơ-ron. èKhông có ý nghĩa do tất cả các nơ-ron đều học và xử lý giống hệt nhau. Làm việc ổn với các mạng nơ-ron nhỏ, nhưng có vấn đề với các mạng nơ-ron sâu hơn.. Trung bình:. Khởi tạo Xavier. Khởi tạo Xavier:
tailieu.vn Xem trực tuyến Tải xuống
Mỗi từ được biểu diễn bởi một véc-tơ dày (dense) sao cho véc-tơ này tương tự với các véc-tơ biểu diễn các từ khác mà thường xuất hiện trong các ngữ cảnh. 2013) là phương pháp để học biểu diễn từ. Mỗi từ trong tập từ vựng cố định được biểu diễn bằng một véctơ. Duyệt từng vị trí t trong văn bản, mỗi vị trí chứa từ trung tâm c và các từ ngữ cảnh bên ngoài o. Sử dụng độ tương đồng của các véc-tơ biểu diễn c và o để tính xác suất xuất hiện o khi có c (hoặc ngược lại). u w khi w là từ ngữ cảnh ngoài.
tailieu.vn Xem trực tuyến Tải xuống
Nơ-ron tích chập trượt từ trái sang phải và từ trên xuống dưới khối dữ liệu đầu vào và tính toán để sinh ra một. bản đồ kích hoạt (activation map). Chiều sâu của nơ-ron tích chập bằng chiều sâu của khối dữ liệu đầu vào. Đầu vào kích thước 7x7, nơ-ron kích thước 3x3. Đầu ra kích thước 5x5. Đầu ra kích thước 3x3. Ví dụ: đầu vào kích thước 7x7, nơ-ron kích thước. Khi đó kích thước đầu ra là 7x7.
tailieu.vn Xem trực tuyến Tải xuống
Hình 3 minh họa các bước tiêu biểu khi triển khai một ứng dụng nhận dạng và/hoặc học sâu lên vi điều khiển STM32 MCU [10].. Các bước triển khai một ứng dụng nhận dạng/ học sâu trên vi điều khiển STM32 MCU. Thu nhận dữ liệu. Để thu nhận dữ liệu có thể sử dụng các cảm biến trên hoặc gần đối tượng được theo dõi và thực hiện việc ghi lại trạng thái và những thay đổi của đối tượng theo thời gian. Tiền xử lý dữ liệu và Gán nhãn.
tailieu.vn Xem trực tuyến Tải xuống
Xuất phát từ thực tế trên, đề tài “nghiên cứu Học sâu trong nhận dạng khuôn mặt ứng dụng cho bài toán điểm danh tự động học sinh” với hy vọng có thể ứng dụng thành công mô hình Học sâu hiện đại trong việc xây dựng hệ thống điểm danh tự động dựa vào nhận dạng khuôn mặt, đặc biệt là ứng dụng cụ thể vào điểm danh tự động học sinh trong mỗi lớp học của trường THPT Thanh Oai B, huyện Thanh Oai, Hà Nội..
000000253108-TT.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Do đó, việc nghiên cứu cơ sở lý luận của dạy học tương tác và ứng dụng chúng vào trong dạy học không chỉ đáp ứng được yêu cầu đổi mới của Luật giáo dục mà còn thích ứng được với sự thay đổi nhanh chóng của khoa học công nghệ và phù hợp với yêu cầu thực tiễn sản xuất.
tailieu.vn Xem trực tuyến Tải xuống
Ngoài ra, luận văn đề xuất một mô hình kết hợp ưu điểm của phương pháp IDPS dựa trên luật và phương pháp học sâu để phát hiện luồng dữ liệu bất thường. IDPSDLWD được thiết kế với bốn bước chính và sử dụng lưu lượng mạng làm dữ liệu đầu vào:. API cấp giữa cung cấp các phương pháp xử lý dữ liệu và học sâu cốt lõi cho mỗi ứng dụng và cung cấp thư viện nguyên thuỷ, cơ sở chức năng, hướng đối tượng được tối ưu hoá.. Thử thách lớn nhất với ứng dụng văn bản là thường phải xử lý dữ liệu đầu vào.
tailieu.vn Xem trực tuyến Tải xuống
NGHIÊN CỨU HỌC SÂU TRONG NHẬN DẠNG KHUÔN MẶT ỨNG DỤNG CHO BÀI TOÁN ĐIỂM DANH TỰ ĐỘNG HỌC SINH. Bài toán nhận dạng khuôn mặt. Một số trở ngại của công nghệ nhận dạng khuôn mặt. Tầm quan trọng của bài toán nhận dạng khuôn mặt. Các ứng dụng đặc trưng của bài toán nhận dạng khuôn mặt. Xây dựng hệ thống nhận dạng khuôn mặt. Một số phương pháp nhận dạng khuôn mặt. Lý do lựa chọn MTCNN để detect khuôn mặt. NHẬN DẠNG KHUÔN MẶT ỨNG DỤNG CHO BÀI TOÁN ĐIỂM DANH TỰ ĐỘNG. Xây dựng dữ liệu huấn luyện.
000000253108.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Xuất 12phát từ những lý do trên, tác giả lựa chọn đề tài nghiên cứu: “Dạy học tương tác và ứng dụng” Với những lý do trên, tác giả tiến hành nghiên cứu đề tài “Dạy học tương tác và ứng dụng”. Mục đích nghiên cứu: Nghiên cứu cơ sở lý luận của dạy học tương tác và ứng dụng chúng vào hoạt động dạy học. Đối tượng nghiên cứu: Dạy học tương tác. Phạm vi nghiên cứu: Tương tác Người- Máy vào trong dạy học với môn Quản trị mạng 1. Nhiệm vụ nghiên cứu. Nghiên cứu cơ sở lý luận về dạy học tương tác.